MeanShift算法的理解

首先，在第一帧需要对要跟踪的目标进行建模。这里使用加了核的直方图法，对要跟踪的目标的颜色分布做一个概率密度分布函数。用来描述要跟踪目标的特征。

然后，在接下来的几帧中，以上一帧的目标所在的位置为中心，在此邻域内进行搜索。以f做为候选目标的中心坐标，在该坐标下，对候选目标同样进行概率密度分布的描述，也就是说描述候选目标的特征。

此时我们得到了两个模型，一个是要跟踪目标的模型，称为target，一个是候选跟踪目标的模型，称为candidate。如何判断当前候选目标所在的位置是不是真实目标所在的位置呢？这就要评价以下，target和candidate有多相似了。两者越相似，则候选目标是真实目标的可能性就越大。评价两者相似程度使用Bhattacharyy系数。

因为要求解的问题是在一个邻域内的，因此可以在上一个目标为中心的领域内，对该系数进行泰勒级数展开，估计其在领域内得到的最大值。求导后发现，要想最大化Bhattacharyy系数，需要最大化一个关于候选目标位置的概率密度分布函数。

为最大化这个概率密度分布函数，需要将y，沿着mean shift向量所在的方向进行运动。迭代若干此后，该概率密度分布函数会收敛到一个最大值，此时可以得到最大化的Bhattacharyy系数，从而可以认为，当前位置下所对应的候选目标，那就是我们所要跟踪的目标了。